ترجمه فارسی مقاله تخصیص منابع مبتنی بر DRL برای تاریکی مقاومت در برابر حرکات خود برای یادگیری فدرال فدرال در IOV

چکیده

In the Internet of Vehicles (IoV), Federated Learning (FL) provides a privacy-preserving solution by aggregating local models without sharing data. Traditional supervised learning requires image data with labels, but data labeling involves significant manual effort. Federated Self-Supervised Learning (FSSL) utilizes Self-Supervised Learning (SSL) for local training in FL, eliminating the need for labels while protecting privacy. Compared to other SSL methods, Momentum Contrast (MoCo) reduces the demand for computing resources and storage space by creating a dictionary. However, using MoCo in FSSL requires uploading the local dictionary from vehicles to Base Station (BS), which poses a risk of privacy leakage. Simplified Contrast (SimCo) addresses the privacy leakage issue in MoCo-based FSSL by using dual temperature instead of a dictionary to control sample distribution. Additionally, considering the negative impact of motion blur on model aggregation, and based on SimCo, we propose a motion blur-resistant FSSL method, referred to as BFSSL. Furthermore, we address energy consumption and delay in the BFSSL process by proposing a Deep Reinforcement Learning (DRL)-based resource allocation scheme, called DRL-BFSSL. In this scheme, BS allocates the Central Processing Unit (CPU) frequency and transmission power of vehicles to minimize energy consumption and latency, while aggregating received models based on the motion blur level. Simulation results validate the effectiveness of our proposed aggregation and resource allocation methods.

چکیده به فارسی (ترجمه ماشینی)

در اینترنت وسایل نقلیه (IOV) ، یادگیری فدرال (FL) با جمع کردن مدلهای محلی بدون به اشتراک گذاری داده ، یک راه حل حفظ حریم خصوصی ارائه می دهد.یادگیری تحت نظارت سنتی نیاز به داده های تصویر با برچسب ها دارد ، اما برچسب زدن داده ها شامل تلاش دستی قابل توجهی است.یادگیری فدراسیون خود تحت نظارت (FSSL) از یادگیری خود تحت نظارت (SSL) برای آموزش محلی در FL استفاده می کند و ضمن محافظت از حریم خصوصی ، نیاز به برچسب ها را از بین می برد.در مقایسه با سایر روشهای SSL ، کنتراست حرکت (MOCO) با ایجاد یک فرهنگ لغت ، تقاضای منابع محاسباتی و فضای ذخیره سازی را کاهش می دهد.با این حال ، استفاده از MOCO در FSSL نیاز به بارگذاری فرهنگ لغت محلی از وسایل نقلیه به ایستگاه پایه (BS) دارد ، که خطر نشت حریم خصوصی را به همراه دارد.کنتراست ساده (SIMCO) با استفاده از دمای دوگانه به جای فرهنگ لغت برای کنترل توزیع نمونه ، مسئله نشت حریم خصوصی در FSSL مبتنی بر MOCO را برطرف می کند.علاوه بر این ، با توجه به تأثیر منفی تاری حرکتی بر تجمع مدل ، و بر اساس SIMCO ، ما یک روش FSSL مقاوم در برابر حرکات را پیشنهاد می کنیم ، که به آن BFSSL گفته می شود.علاوه بر این ، ما با پیشنهاد یک طرح تخصیص منابع مبتنی بر یادگیری عمیق (DRL) ، به نام DRL-BFSSL ، به مصرف انرژی و تأخیر در فرآیند BFSSL می پردازیم.در این طرح ، BS فرکانس واحد پردازش مرکزی (CPU) و قدرت انتقال وسایل نقلیه را برای به حداقل رساندن مصرف انرژی و تأخیر اختصاص می دهد ، در حالی که جمع آوری مدل های دریافت شده بر اساس سطح تاری حرکتی.نتایج شبیه سازی ، اثربخشی روشهای جمع آوری و تخصیص منابع ما را تأیید می کند.